Research on a Spatiotemporal Fusion Model–Based Method for Predicting the Torsional State of a Conveyor Belt

현대 산업의 거대하고 웅웅거리는 네트워크 속에서, 강철로 된 거대한 파이프들은 광산, 항만, 발전소를 가로질러 석탄에서 광석에 이르기까지 모든 것을 운반합니다. 이것들은 파이프 벨트 컨베이어로, 길고 유연한 벨트를 튜브 형태로 감싸 재료를 효율적이고 유출 없이 이동시키는 기계입니다. 그러나 인장력을 받는 길고 유연한 모든 물체와 마찬가지로, 이 벨트들도 뒤틀릴 수 있습니다. 컨베이어 벨트가 너무 많이 뒤틀리면 벨트가 찢어지거나, 적재물을 쏟아내거나, 심지어 구조 전체를 붕괴시켜 생산을 갑작스럽고 막대한 비용을 초로 치르는 중단 상태로 몰아넣을 수 있습니다. 수십 년 동안 엔지니어들은 이러한 뒤틀림이 발생하기 전에 이를 예측하려고 노력해 왔으며, 종종 시간이 경과함에 따라 뒤틀림의 각도와 같은 단일 수치를 측정하는 센서에 의존해 왔습니다. 하지만 벨트는 공간 속을 움직이는 3차원 객체이며, 그 형태는 단 하나의 숫자가 온전히 포착할 수 없을 만큼 복적으로 변화합니다. 과제는 벨트를 전체적으로 관찰하여, 단순히 다음 순간에 어떻게 움직이는지를 넘어, 전체 길이에 걸쳐 그 형태가 어떻게 진화하는지를 이해하는 방법을 찾는 것이었습니다.

산동과학기술대학교의 연구진은 인간의 관찰 방식을 모방하여 컴퓨터가 벨트의 뒤틀림 운동을 "볼" 수 있도록 학습시킴으로써 이 문제를 해결했습니다. 고립된 데이터 포인트를 보는 대신, 그들은 비디오 영상을 움직임과 변형의 이야기를 들려주는 일련의 순간들로 취급하여 컨베이어 벨트의 영상 데이터를 분석하는 시스템을 구축했습니다. 그들은 실제 산업 현장에서 수집한 3백만 프레임의 비디오가 담긴 방대한 시각 데이터 라이브러리를 만들었습니다. 이 컬렉션은 벨트가 매끄럽게 움직이는 상태, 약간 뒤틀리기 시작하는 상태, 그리고 위험하게 뒤틀리는 상태 등 모든 상태의 벨트를 포착합니다. 이 방대한 시각적 역사를 특수 제작된 컴퓨터 프로그램에 입력함으로써, 연구진은 시스템이 정상적인 벨트와 고장이 임박한 벨트의 차이를 학습할 수 있도록 했습니다.

그들의 솔루션의 핵심은 두 가지를 동시에 이해하도록 설계된 모델입니다. 바로 단일 스냅샷에서의 벨트 형태와 시간이 흐름에 따라 그 형태가 어떻게 변하는가 하는 점입니다. 강물을 바라본다고 상상해 보십시오. 한 번의 눈길로 바위와 강둑을 볼 수 있지만, 물의 흐름을 이해하려면 몇 분 또는 몇 시간 동안 물이 그것들을 어떻게 돌아 나가는지를 지켜봐야 합니다. 연구진의 모델은 컨베이어 벨트에 대해 이와 유사한 작업을 수행합니다. 이 모델은 경량 시각 프로세서를 사용하여 각 비디오 프레임에서 벨트 표면의 가장자리나 파이프의 곡선과 같은 기하학적 세부 사항을 포착합니다. 그런 다음, 이 정보를 이전 프레임을 기억하는 메모리 유닛으로 전달하여 뒤틀림의 동적인 진화를 추적할 수 있게 합니다. 이러한 결합을 통해 시스템은 정적인 굴곡뿐만 아니라, 위험한 뒤틀림으로 이어지는 특정한 움직임 패턴을 인식할 수 있습니다.

아이디어를 테스트하기 위해 연구팀은 수집한 3백만 프레임의 비디오로 시스템을 훈련시켰습니다. 데이터는 실제 장비의 분포를 나타내도록 세심하게 구성되었는데, 대다수의 영상은 정상 작동 중인 벨트를 보여주었고, 적은 부분은 가벼운 뒤틀림을, 아주 적은 양은 심각하고 위험한 뒤틀림을 보여주었습니다. 이러한 불균형은 실패가 정상 작동에 비해 드물게 발생하는 현실을 반영하며, 이는 표준 컴퓨터 프로그램이 실패의 모습을 학습하는 것을 어렵게 만듭니다. 연구진은 모델을 더욱 견고하게 만들기 위해 이미지의 회전 각도를 약간 조절하거나 밝기를 조정하여 다양한 조명 조건과 각도를 시뮬레이션하는 데이터 증강(data augmentation) 기술을 사용하였고, 이를 통해 모델이 카메라에 어떻게 나타나든 뒤틀림을 인식할 수 있도록 보장했습니다. 또한 프레임이 누락될 수 있는 비디오의 간극을 메우는 방법을 개발하여, 컴퓨터가 끊김 없이 움직임을 따라갈 수 있도록 타임라인을 매끄럽게 다듬었습니다.

연구진이 모델을 테스트했을 때 결과는 놀라웠습니다. 시스템은 컨베이어 벨트의 상태를 거의 90%의 경우에서 정확하게 식별해 냈는데, 이는 다른 유형의 인공지능에 의존하는 기존의 고급 방식들보다 유의미한 향상입니다. 더 중요한 것은, 모델이 단순히 흔들리는 벨트와 위험한 상태로 뒤틀리는 벨트를 구분해 내어, 실제 문제를 탐지하는 것과 오보를 내는 것 사이의 균형에서 높은 점수를 달성했다는 점입니다. 연구진은 또한 시스템이 실제 공장에서 사용될 만큼 충분히 빠르다는 것을 검증했습니다. 소프트웨어를 소형 산업용 컴퓨터에서 실행되도록 최적화함으로써, 그들은 초당 28프레임의 속도를 달 achievement 했습니다. 이는 시스템이 실시간으로 영상을 분석하여 벨트가 움직이는 것을 지켜보고, 위험한 뒤틀림이 형성되기 시작하는 즉시 손상이 발생하기 훨씬 전에 경고를 보낼 수 있음을 의미합니다.

시스템이 단순히 추측하는 것이 아니라 실제로 이미지의 올바른 부분을 보고 있는지 확인하기 위해, 연구진은 컴퓨터가 영상의 어느 부분에 가장 집중했는지를 강조해 주는 시각화 도구를 사용했습니다. 결과는 모델이 뒤틀림이 처음으로 나타날 수 있는 지점인 벨트의 가장자리에 세심한 주의를 기울였다는 것을 보여주었습니다. 이는 시스템이 배경의 무작위 패턴에 의존하는 것이 아니라 올바른 물리적 특징을 학습하고 있음을 확인시켜 주었습니다. 이 연구는 공간적 관찰과 시간적 기억을 결합함으로써 컨베이어 벨트를 위한 신뢰할 수 있는 조기 경보 시스템을 만드는 것이 가능하다는 결론을 내립니다. 이 접근 방식은 복잡한 기계적 문제를 해결 가능한 시각적 문제로 전환함으로써, 벨트 뒤틀림으로 인한 막대한 비용의 가동 중단과 안전사고를 예방할 수 있는 실질적인 경로를 제시합니다.